论文提出了一种名为MSFT的新模型，结合空间滤波转换器和数据增强方法（脑电图金字塔），用于改善运动意象脑电图（MI-EEG）识别。MSFT利用加性角裕量损失增强类间可分离性和类内紧凑性。此外，EEG ViT（变压器编码器层）被用作特征提取器，与ArcFace损失一起优化特征。实验结果显示，MSFT在跨任务和跨主体分类中表现出色。
运动想象迁移学习系列:MSFT
论文地址：https://www.sciencedirect.com/science/article/abs/pii/S1746809422005249#aep-article-footnote-id1
论文题目：Excellent fine-tuning: From specific-subject classification to cross-task classification for motor imagery
论文代码：暂未找到
0. 引言
随着深度学习的普及，基于特征提取器和分类器的运动意象脑电图（MI-EEG）识别表现良好。然而，大多数模型提取的特征没有足够的区分性，仅限于特定主题分类。我们提出了一种新的模型，基于度量的空间滤波变压器（MSFT），该模型利用加性角裕量损失来强制实施深度模型，以提高类间可分离性，同时增强类内的紧凑性。此外&#x
订阅专栏 解锁全文
扫一扫
2196
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
